LegközelebbKövetkező útmutató
Kalman Filters for Object Tracking
Vizuális AI
Műszaki ÚTMUTATÓ
A Kalman-szűrő a rejtett állapotot idővel úgy becsüli meg, hogy a modellalapú előrejelzést a zajos mérésekből származó frissítéssel váltogatja.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
Lineáris dinamika és Gauss-zaj esetén hatékony rekurzív becslést és bizonytalanságot ad, míg a modelleltérés vagy a nemlineáris folyamatok kiterjesztést vagy alternatív szűrőket igényelnek.
A Kalman-szűrő egy rejtett állapotot követ, amely közvetlenül nem figyelhető meg, például egy objektum helyzetét és sebességét. Fenntartja a bizonytalanságot leíró becslést és kovarianciát. Minden egyes időlépésben először előrejelzi a következő állapotot egy átmeneti modell segítségével, és továbbítja a bizonytalanságot. Ezután mérést kap, megjósolja, hogy az érzékelőnek mit kell jelentenie, kiszámítja az innovációt (mérés mínusz előrejelzett mérés), és frissíti az állapotot aszerint, hogy a mérés mennyire informatív. Egy skaláris példában tegyük fel, hogy az előrejelzett hely 10 4-es variancia mellett, és az érzékelő leolvasása 14, ha a mérési eltérés 4. Az erősítés a becsült variancia osztva a megjósolt plusz mérési eltéréssel: 4/(4+4)=0,5. A frissített becslés 10 + 0,5*(14-10)=12. Az egyenlő bizonytalanságok félúton helyezik az eredményt az előrejelzés és a mérés között. Ha a mérési szórás sokkal nagyobb lenne, az erősítés csökkenne, és a szűrő jobban támaszkodna állapotmodelljére. A klasszikus Kalman-szűrő optimális lineáris állapot- és megfigyelési egyenletekhez Gauss-zajjal és helyesen meghatározott kovarianciamátrixokkal. Rekurzív, így képes frissíteni a becsléseket anélkül, hogy minden korábbi mérést megtartana. Ez hasznossá teszi a követésben, az érzékelő-fúzióban és a vezérlésben. A feltételezések számítanak: a torzított érzékelők, a változó dinamika, a súlyos hibák vagy a nemlineáris kapcsolatok ronthatják a becsléseket. A kiterjesztett és illatosítatlan Kalman-szűrők különböző módon közelítik meg a nemlineáris modelleket; A részecskeszűrők általánosabb eloszlást képviselnek nagyobb számítási költség mellett. A maradék innovációkat figyelni kell a torzítás, az autokorreláció és a váratlanul nagy értékek szempontjából. Egy szűrő numerikusan stabilnak tűnhet, ha rossz folyamatzajra vagy mérési zajra támaszkodik. Az állami becsléseket meg kell különböztetni a közvetlen megfigyelésektől, és a bizonytalanságot jelenteni kell, ha a döntések attól függnek. A Kalman-szűrő a modelljének megfelelően idővel simítja az információkat; nem szünteti meg az érzékelő hibáját és nem garantálja a pontos követést modell nélküli mozgás mellett.
Egy hipotetikus járműkövető előrejelzi a pozíciót korábbi pozíciója és sebessége alapján, majd frissíti ezt a becslést, amikor zajos GPS-leolvasás érkezik. Ha a mérési zaj magas, a leolvasás kisebb súlyt kap.
Egy szenzor a 10-es pozíciót 4-es variancia mellett jósolta meg, a 14-es mérés pedig a 4-es varanciát. A skaláris Kalman-erősítés 4/(4+4)=0,5, tehát a frissített becslés 10+0,5(14-10)=12.
Az elemző összehasonlítja az előre jelzett és megfigyelt méréseket az idő függvényében. A tartós nagy újítások helytelen mozgásmodellt, szenzorkalibrációs problémát vagy nem modellezett változtatást jelezhetnek.
Egy csapat Kalman-szűrőt használ egy lineáris Gauss-folyamathoz, és egy kiterjesztett Kalman-szűrőt vesz figyelembe, ha az állapotátmenet vagy a megfigyelési egyenletek nemlineárisak, felismerve az érintett közelítést.
A nyomkövető rendszerek felelősségteljesebben kommunikálhatják a Kálmán-becsléseket azáltal, hogy a becsült út mellett mutatják az állapotbizonytalanságot és az innovációs diagnosztikát. A csapatoknak feljegyzett pályák segítségével kell érvényesíteniük a mozgási és megfigyelési modelleket, és tesztelniük kell az érzékelők hibáit vagy hirtelen manővereket. Ha a maradékok szisztematikus szerkezetet mutatnak, nézze meg újra a modellt, ne csak erősebben simítson. Nemlineáris dinamika esetén hasonlítson össze egy kiterjesztett vagy illatosítatlan szűrőt egy részecskealapú módszerrel, ha a hozzáadott költség indokolt. A Q, R és az érzékelő kalibrálásának egyértelmű rekordja lehetővé teszi annak megértését, hogy a becslések miért reagálnak erősen vagy gyengén az új mérésekre.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A Kalman-szűrő a rejtett állapotot idővel úgy becsüli meg, hogy a modellalapú előrejelzést a zajos mérésekből származó frissítéssel váltogatja. Lineáris dinamika és Gauss-zaj esetén hatékony rekurzív becslést és bizonytalanságot ad, míg a modelleltérés vagy a nemlineáris folyamatok kiterjesztést vagy alternatív szűrőket igényelnek.
A szűrő továbbítja az állapotbecslést és a bizonytalanságot, majd beépíti a bejövő megfigyelést.
A zajosabb mérés kevésbé informatív, csökkenti az erősítést az előre jelzett bizonytalansághoz képest.
A klasszikus optimalitási eredmény lineáris állapot/megfigyelési modelleken és Gauss-zaj feltevéseken alapul.
Az innováció az új megfigyelés és a modell által előre jelzett szenzor által mért értékek közötti maradék.
A szisztematikus innovációs minták azt sugallják, hogy a modell, a kalibráció vagy a folyamat feltételezései tévesek lehetnek.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Kalman Filters for Object Tracking
Vizuális AI